作为搜索引擎、推荐系统、互联网广告的核心技术之一,点击率预估一直是学术界和产业界的热门研究对象。传统的点击率预估模型需要将数据搜集于一处进行训练,但从隐私保护的角度而言,不搜集用户的数据才是一种更好的策略。联邦学习可实现在参与方数据不离开其本地的前提下,利用其数据进行机器学习。将联邦学习应用于点击率预估领域将有助于搜索引擎、推荐系统、互联网广告行业的隐私保护。本文的研究目标是联邦学习在点击率预估领域的应用,当前主要存在的问题有:缺乏二分类场景下的非独立同分布数据集生成方法、模型的效率和效果不够好、缺乏在点击率预估领域的应用。基于这些问题本文开展了如下工作:（1）生成了非独立同分布数据集。在二分类问题下提出了以数据标签比为独立同分布程度的衡量指标,并以该指标为依据将数据集划分成整体非独立同分布程度可控的客户端子集。针对客户端子集生成过程中的NP难问题设计了启发式算法进行求解,本方法能在合理的时间内生成客户端子集。（2）提出了改进的联邦平均（Refined Federated Averaging,RFedAvg）算法。首先,针对网络通信受限导致的部分客户端很少参与训练带来的不公平和模型效果降低的问题,本文模拟了极端受限和普通受限两种情况,并从客户端选择环节提出了一般修正和严格修正的策略,实验结果表明了修正策略的有效性。然后,在模型聚合环节,本文引入了四种分布间距离度量方法对模型进行联邦加权聚合,在训练过程中将客户端与总体数据的分布间距离转换为模型权重,实验结果表明四种方法均能提升模型效果。最后,本文融合了上述两点改进,提出了RFedAvg算法,并将其与当前的热门模型进行对比,实验最终表明提出的模型收敛更快、效果更好。（3）实现了一个联邦推荐原型系统。基于RFedAvg算法实现了一个基本的联邦推荐原型系统。实现过程中解决了两个关键技术问题:Python和Java间的相互调用、中心服务器对客户端的远程调用。系统采用RFedAvg算法作为召回模块,并根据音乐热度对召回结果进行排序,在实现推荐功能的同时,有效保护了用户数据。